Coursera - 机器学习基石 - 课程笔记 - Week 1

Formalize the Learning Problem

• 输入：$\mathbf{x}\in \mathcal{X}$
• 输出：$y\in \mathcal{Y}$
• 需要学习的未知模式（目标函数）：$f:\mathcal{X}\to \mathcal{Y}$
• 数据（训练样例）：D={(x1,y1),(x2,y2),…,(xN,yN)}\mathcal{D} = \{ (\bold{x}_1,y_1), (\bold{x}_2 ,y_2), \ldots, (\bold{x}_N,y_N) \}D={(x1​,y1​),(x2​,y2​),…,(xN​,yN​)}
• 假设（机器所能学到的一个可以有很好表现得模式，拟合$f$）：$g:\mathcal{X}\to \mathcal{Y}$
• 机器学习的任务：面对位置的模式$f$，我们可以事实得到基于该模式下的数据关系$ (\bold{x}_n,y_n) $，机器根据这些事实数据关系进行学习，学到一个模式$g$，以拟合这些数据关系

Machine Learning and Other Fields

Machine Learning vs. Data Mining

• 机器学习：使用数据计算一个假设，用于拟合目标
• 数据挖掘：使用大量数据寻找有趣的内容
• 如果“有趣的内容”恰为“拟合目标的假设”，数据挖掘就等同于机器学习
• 如果“有趣的内容”和“拟合目标的假设”相关，那么数据挖掘可以帮助机器学习

Machine Learning vs. Artificial Intelligence

• 机器学习：使用数据计算一个假设，用于拟合目标
• 人工智能：计算以表现智能化行为
• 机器学习是实现人工智能的一种方式

Machine Learning vs. Statistics

• 机器学习：使用数据计算一个假设，用于拟合目标
• 统计：使用数据对一个未知的过程进行推论
• 统计可以用于完成机器学习任务